Universidade de São Paulo
Escola Superior de Agricultura “Luiz de Queiroz”
Mudanças climáticas e o acúmulo de forragem do capim-marandu:
cenários futuros para o Estado de São Paulo
André Santana Andrade
Dissertação apresentada para obtenção do título de Mestre em Ciências. Área de concentração: Ciência Animal e Pastagens
André Santana Andrade Engenheiro Agrônomo
Mudanças climáticas e o acúmulo de forragem do capim-marandu: cenários futuros para o Estado de São Paulo
Orientador:
Profa. Dra. PATRICIA MENEZES SANTOS
Dissertação apresentada para obtenção do título de Mestre em Ciências. Área de concentração: Ciência Animal e Pastagens
Dados Internacionais de Catalogação na Publicação DIVISÃO DE BIBLIOTECA - ESALQ/USP
Andrade, André Santana
Mudanças climáticas e o acúmulo de forragem do capim-marandu: cenários futuros para o Estado de São Paulo / André Santana Andrade. - - Piracicaba, 2013.
90 p. : il.
Dissertação (Mestrado) - - Escola Superior de Agricultura “Luiz de Queiroz”, 2013. Bibliografia.
1. Brachiaria brizantha 2. ETA 3. Gramínea tropical 4. Modelo empírico 5. PRECIS 6. Urochloa brizantha I. Título
CDD 633.2 A553m
Aos meus pais Oliveiros Martins de Andrade e Marilda Santana Andrade, pela presença e apoio em qualquer que seja a situação ou dificuldade.
AGRADECIMENTOS
O sucesso em qualquer trabalho, além de dedicação e competência, esta na eficiência da
equipe e não apenas de um indivíduo. A todos que, de alguma forma participaram da equipe
deste trabalho, muito obrigado!
Agradeço especialmente a Deus, por permitir a conclusão deste trabalho com vida e
saúde. A família Oliveiros, Marilda, Clarice e Lucas pelo apoio imensurável. À orientadora
Patricia Menezes Santos, pela oportunidade, visão crítica, confiança e incentivo à inovação.
Ao pesquisador José Ricardo Macedo Pezzopane, pelo auxílio em todas as etapas deste
trabalho.
A CAPES, pela bolsa de estudos. À Escola Superior de Agricultura “Luiz de Queiroz” e
Departamento de Zootecnia, pela oportunidade. À Embrapa, através de seus Centros de
Pesquisa Pecuária Sudeste, Informática Agropecuária e Meio Ambiente, pelo suporte. À
Giovana Maranhão Bettiol e Sílvio Roberto Medeiros Evangelista pela execução e auxílio no
processamento e geração de resultados.
Aos professores e pesquisadores Pedro Gomes da Cruz, Cristiana de Gaspari
Pezzopane, Moacyr Corsi, Sila Carneiro da Silva, Francisco Antonio Monteiro, Luis César
Dias Drumond, Luís Gustavo Barioni, Paulo Cesar Sentelhas, Fabio Ricardo Marin, Fernando
Campos Mendonça e Sonia Maria de Stefano Piedade pelos ensinamentos e/ou participação,
como titulares ou suplentes, da banca avaliadora deste trabalho.
Ao Bruno Carneiro e Pedreira, Leandro Coelho de Araujo e Carlos Guilherme Silveira
Pedreira pelas sugestões no artigo de revisão. Ao Elis Dener Lima Alves e Marcelo Sacardi
Biudes pelas dicas na interpolação espacial de dados.
Aos colegas e amigos Luís Henrique Soares, Fabio Henrique Takahashi, Francisco
Guilhien Gomes Junior, Daiane Aparecida Fausto, Tatiane Beloni, Jacqueline Geraldo de
Lima, Karla Vilaça Martins, Walquíria Fernanda Teixeira, Míriam Regina Canesin e Arthur
Galleti Lima, pelas dicas e auxílio no dia a dia.
SUMÁRIO
RESUMO ... 9
ABSTRACT ... 11
1 INTRODUÇÃO ... 13
1.1 Hipóteses científicas ... 15
1.2 Objetivos ... 15
2 REVISÃO BIBLIOGRÁFICA ... 17
2.1 Mudanças climáticas ... 17
2.1.1 Mudanças climáticas e o IPCC ... 17
2.1.2 Clima no sudeste do Brasil: mudanças observadas e projeções ... 19
2.2 Modelos climáticos regionais PRECIS e ETA-CPTEC ... 20
2.3 Aptidão de Brachiaria brizantha cv. Marandu ... 23
2.4 Modelagem do crescimento de plantas forrageiras ... 24
2.4.1 Modelos empíricos ... 26
2.4.2 Modelos mecanicistas ... 31
3 MATERIAL E MÉTODOS ... 35
4 RESULTADOS ... 41
4.1 Análise geral ... 41
4.2 Análise regional ... 54
5 DISCUSSÃO ... 57
5.1 Impacto na produção de forragem ... 57
5.2 Medidas de mitigação e adaptação ... 64
6 CONCLUSÃO ... 71
REFERÊNCIAS ... 73
RESUMO
Mudanças climáticas e o acúmulo de forragem do capim-marandu: cenários futuros para o estado de São Paulo
Em 2007 o Painel Intergovernamental Sobre Mudanças Climáticas relataram mudanças climáticas nas últimas décadas, principalmente aumento de temperatura. Tal fato tem preocupado cientistas sobre o futuro. Assim, estudos tem sido realizados para avaliar possíveis impactos na agropecuária. As pastagens no Brasil podem ser particularmente afetadas, devido a grande extensão de terras ocupadas, muitas delas em áreas marginais. No estado de São Paulo, estas mudanças poderão ser importantes para a Braquiaria brizantha cv. Marandu, gênero presente em cerca de 7,19 milhões de hectares. Assim, objetivou-se avaliar impactos das mudanças climáticas na produção desta forrageira em São Paulo. As projeções foram realizadas com base nos modelos climáticos regionalizados PRECIS e ETA-CPTEC, considerando os cenários de emissões do IPCC A2 (alta) e B2 (baixa). Os dados do período de 1963 a 2009 de 23 estações meteorológicas foram considerados como o clima atual (CA). Os períodos simulados foram de 2013 a 2040 e de 2043 a 2070. Para associar clima com crescimento de capim-marandu, foi utilizado o modelo empírico de Cruz e colaboradores: TAF=15.34*GDcorrigido (p=0.056, r²=0.95), onde TAF é a taxa diária de acúmulo de forragem;
GDcorrigido é o grau-dia, calculado com 17,2°C de temperatura-base e corrigido por um fator de
penalização hídrico (obtido pela relação armazenamento de água atual/máximo do solo, considerando três capacidades: 40, 60 e 100 mm). Interpolação espacial foi realizada usando os métodos do vizinho natural e krigagem, com auxílio do software ArcGis 10.1. Análises regionais foram realizadas com base no censo LUPA. Em geral, as projeções mostraram aumento futuro na produção potencial. Considerando o CA, o acúmulo anual de forragem médio (AAF) foi 18,4; 19,6 e 21,0 Mg MS/ha/ano em solos com capacidade de 40, 60 e 100 mm, respectivamente. Nesta mesma ordem, foram simuladas AAF de 26,3; 27,9 e 29,8 para o PRECIS (aumento médio de 42%) e 25,0; 26,6 e 28,7 Mg MS/ha/ano para o ETA-CPTEC (aumento médio de 36%), em cenário A2 para 2043-2070. Outras projeções indicam aumentos intermediários. Apesar do aumento anual, a variação irá aumentar entre estações e entre anos. O aumento absoluto será maior na estação chuvosa, tornando a estacionalidade de produção mais marcante. Tal resultado é mais evidente nas simulações com o modelo ETA-CPTEC e para solos com menor capacidade (40 mm). Nestes solos, a TAF mínima e máxima (kg MS/ha/dia) foram, respectivamente, 15,4 (inverno) e 94,6 (verão) para o CA; 22,9 (inverno) e 125,1 (verão) para o PRECIS e 18,2 (inverno) e 125,9 (verão) para o ETA-CPTEC, em cenário A2 para 2043-2070. Os resultados variaram muito entre regiões, especialmente para cenários do ETA-CPTEC (extremos variaram de <+10% até >+60%). Regiões mais quentes (oeste do estado, em geral) tem maior potencial de produção, porém terão menor incremento relativo no futuro. Os resultados são devidos ao aumento de temperatura em geral e redução da disponibilidade hídrica, principalmente na primavera, devido a maior evapotranspiração e não necessariamente à redução da precipitação. Estratégias para mitigação e adaptação foram sugeridas, principalmente relacionadas ao manejo da pastagem e dos animais para redução dos efeitos da menor disponibilidade hídrica, redução das emissões de gases de efeito estufa e uso da forragem excedente de verão.
ABSTRACT
Climate change and the forage accumulation of palisadegrass: future scenarios to São Paulo state
In 2007 the Intergovernmental Panel on Climate Change presented data showing climate changes in last decades, mainly temperature increase. This change has worried scientists about the future. Therefore, studies have been made to evaluate possible impacts of future climate changes on agricultural production. The pastures in Brazil can be especially affected, because they occupy large areas, many of them on marginal land. In São Paulo state these changes can be important for palisadegrass (Brachiaria brizantha cv. Marandu), present in 7.19 million ha. Therefore, this research evaluated the impacts of climate change on palisadegrass yield in São Paulo state. Projections were created based on downscaled outputs of two general circulation models (PRECIS and ETA-CPTEC) considering the IPCC SRES scenarios A2 (high) and B2 (low). The data obtained from 23 weather stations from 1963 to 2009 was considered as current climate (base line) and future scenarios were determined from 2013 to 2040 and from 2043 to 2070. To associate the climate with palisadegrass growth, the following empirical model was used: DMAR=15.34*DDadjusted (p=0.056, r²=0.95), extracted from research conducted in São Carlos-SP-Brazil, where DMAR is dry matter accumulation rate; DDadjusted is degree days, calculated with 17.2°C of base temperature and adjusted by one drought attenuation factor (obtained by the ratio actual/maximum soil water storage, considering three soils capacities: 40, 60 and 100 mm). Spatial interpolation was carried out using natural neighbor and kriging methods, with ArcGis 10.1 software tools. Regional analyses were realized based on the LUPA/SP census. In general, the projections showed increase on future yield potential. On soils with 40, 60 and 100 mm of storage capacity, the average annual accumulation (AAA) was, respectively, 18.4, 19.6 and 21.0 using base line data, 26.3, 27.9 and 29.8 using PRECIS output (increase about 42%) and 25.0, 26.6 and 28.7 Mg DM/ha/ano using ETA-CPTEC output (increase about 36%), considering A2 scenario in period of 2043 to 2070. The other projections show intermediate increases. Despite annual yield increase, the variation between seasons (seasonality) and years will increase. The increase in DMAR will be higher in rainy than dry season, especially in soils with low water storage capacity (40 mm) (mainly evidenced by ETA-CPTEC scenarios). For these soils, minimum and maximum DMAR (kg DM/ha/day) was respectively 15.4 (winter) and 94.6 (summer) considering base line, 22.9 (winter) and 125.1 (summer) considering PRECIS model and 18.2 (winter) and 125.9 (summer) considering ETA model, both in A2 for 2043 to 2070 scenario. The results varied a lot between regions, especially in ETA-CPTEC scenarios (extremes ranged from <+10% to >+60%). Warmer regions (west region, in general) showed higher production potential, but they will have lower relative increase in the future. These results are due to increase in temperature in all long year and decrease in water availability in winter and spring, due to higher evapotranspiration and not necessarily decrease in rain. Strategies for mitigation and adaptation were suggested, including mainly pasture and animal management to reduce effects of lower water availability, reduce greenhouse gases emissions and use of summer forage surplus.
1 INTRODUÇÃO
Em 2007 o quarto relatório de avaliação do Painel Intergovernamental sobre Mudanças
Climáticas (Intergovernmental Panel on Climate Change - IPCC) apresentou dados que
confirmam a ocorrência de mudanças climáticas nas últimas décadas, especialmente o
aumento de temperatura. Essas alterações tem despertado o interesse em todo o mundo sobre
possíveis mudanças futuras no clima. Neste contexto, modelos matemáticos capazes de
projetar o clima no futuro em função de diferentes cenários em diversas regiões têm sido
gerados (BERNSTEIN et al., 2007).
Dentre os problemas que poderão ocorrer devido às mudanças climáticas, destacam-se
os efeitos nas atividades agropecuárias e a vulnerabilidade dos países em desenvolvimento.
Estima-se que até 2050 cerca de 50% das áreas agrícolas da América Latina, sejam
submetidas à desertificação e salinização em alguns locais, havendo expectativa de redução na
produtividade de carne e leite em resposta a temperaturas crescentes, dentre outras
consequências à produtividade agropecuária (MAGRIN et al., 2007).
De acordo com cenários gerados por vários modelos, estima-se que a temperatura média
tenha aumento de 3,3 a 3,9°C até 2071 – 2100 na região sudeste do Brasil. Para a precipitação
pluviométrica, estima-se redução no outono, inverno e primavera (de -0,06 a -0,09 mm/dia) e
aumento no verão (+ 0,36 mm/dia) (HAMADA et al., 2011). Em geral, para a produção
vegetal nesta região, observa-se tendência de maior disponibilidade térmica; porém maior
restrição hídrica devido a maior evapotranspiração (ASSAD et al., 2004) e redução das
chuvas em alguns períodos do ano. Assim, as mudanças tem grande potencial de afetar as
atividades agropecuárias. A avaliação da vulnerabilidade dessas atividades, por meio da
avaliação das condições atuais e do dimensionamento dos impactos das mudanças climáticas
futuras sobre a agropecuária, é estratégica e permitirá a proposição de medidas de mitigação e
adaptação.
Uma vez que as pastagens ocupam a maior área das atividades agrícolas do Brasil, as
mudanças climáticas poderão afetar particularmente a pecuária, pois esta é fundamentalmente
baseada nas pastagens, com cerca de 90% dos nutrientes requeridos pelos ruminantes obtidos
diretamente por meio do pastejo (EUCLIDES et al., 2010). No período de 1996 a 2006 a área
total de pastagens diminuiu de 177,7 milhões para 158,6 milhões de hectares, enquanto que no
mesmo período o rebanho aumentou (INSTITUTO BRASILEIRO DE GEOGRAFIA E
ESTATÍSTICA - IBGE, 2011). Esses números confirmam a importância das pastagens para o
área, principalmente devido à pressão pela regeneração das áreas de reserva legal e ao avanço
da agricultura, para produção de alimentos, fibras e energia.
Desta forma, há indícios de que a manutenção de muitas áreas com pastagens está
condicionada à incorporação de tecnologia e aumento da produtividade, visando
competitividade com outras atividades de uso da terra; ou, caso contrário, o seu deslocamento
para áreas marginais, onde há maiores limitações edafoclimáticas à produção. No estado de
São Paulo, esta tendência é particularmente acentuada, devido à expansão da cultura da cana
de açúcar. Assim, esta situação pode potencializar a vulnerabilidade das pastagens às
variações climáticas, uma vez que os fatores de crescimento das plantas, em algumas regiões,
poderão estar mais próximos de seus limites.
Segundo o Levantamento Censitário da Unidades de Produção Agropecuária do estado
de São Paulo (LUPA) realizado pela Secretaria de Agricultura e Abastecimento, o rebanho
estadual em 2007/2008 era de 5,76 milhões de cabeças em propriedades que produzem carne,
924 mil cabeças em propriedades que produzem leite e 4,49 milhões em propriedades mistas
(SÃO PAULO, 2008). Nesse levantamento, ainda é apontado que as áreas de pastagens no
estado são da ordem de 8,1 milhões de hectares, o que representa 32,6% da área estadual total.
As espécies do gênero Brachiaria (Syn. Urochloa), popularmente conhecidas por braquiárias,
estão presentes em torno de 7,19 milhões de hectares, o equivalente a aproximadamente 89%
das áreas de pastagens. Dentre elas, a cultivar Marandu (Brachiaria brizantha cv. Marandu) é
a mais utilizada (MILES et al., 2004).
Apesar da importância econômica e da expressiva área no território estadual, poucos
trabalhos avaliam os riscos climáticos para as principais espécies forrageiras utilizadas no
estado, e praticamente inexistem estudos dos possíveis impactos das mudanças climáticas na
produção forrageira. Trabalhos de zoneamento existentes abordam apenas a fase de
estabelecimento da pastagem (SANTOS; PEZZOPANE; BETTIOL, 2010) ou enfocam
aspectos de aptidão edafoclimática das espécies (PEZZOPANE et al., 2012a).
Adicionalmente, estudos realizados com culturas anuais não são adequados às pastagens, uma
vez que nestas explora-se o desenvolvimento vegetativo, o que implica em diferenças
fundamentais na determinação do risco climático à cultura quando comparada àquelas cuja
produção depende da fase reprodutiva de desenvolvimento (grãos, frutos, etc.).
Para a geração de cenários futuros para pastagens, o ideal é o uso de modelos
matemáticos que estimem a produtividade dos pastos, associando o crescimento das plantas à
magnitude das variáveis climáticas. Neste sentido, é fundamental que estudos de zoneamento
projeções de mudanças climáticas futuras, visando nortear diretrizes estratégicas para o
sistema produtivo e antecipar o desenvolvimento de alternativas de mitigação e adaptação de
eventuais efeitos dessas mudanças.
1.1 Hipóteses científicas
As mudanças climáticas afetarão a produção de forragem de B. brizantha cv.
Marandu no estado de São Paulo.
Alguns locais (região e/ou tipo de solo) do estado de São Paulo são mais vulneráveis a mudanças climáticas e tendem a sofre maior impacto na produção de forragem de
B. brizantha cv. Marandu.
É possível identificar os locais mais vulneráveis e propor medidas de mitigação e
adaptação às mudanças climáticas.
1.2. Objetivos
Gerar cenários futuros para a produção de forragem em pastagens de Brachiaria brizantha cv. Marandu em função de projeções de mudanças climática para o estado
de São Paulo.
Identificar as principais vulnerabilidades do sistema de produção de forragem frente
2 REVISÃO BIBLIOGRÁFICA
2.1 Mudanças climáticas
2.1.1 Mudanças climáticas e o IPCC
Apesar da atual preocupação da sociedade, estudos sobre mudanças climáticas não são
recentes. A nota técnica nº 79 da organização mundial de meteorologia (WORLD
METEOROLOGICAL ORGANIZATION - WMO, 1966) destina-se exclusivamente a esse
tema (BLAIN, 2010). Segundo o quarto relatório de avaliação do IPCC (BERNSTEIN et al.,
2007), o termo mudança climática refere-se a alterações nos padrões climáticos, que podem
ser identificadas por alterações na média e/ou na variabilidade de suas propriedades, e que
persiste por longos períodos, da ordem de décadas ou mais, independentes de suas causas.
Mudanças climáticas ocorridas nas últimas décadas, somadas à probabilidade de
mudanças futuras ainda mais acentuadas, tem preocupado a população mundial. A análise de
dados climatológicos das últimas décadas confirma que desvios têm ocorrido no padrão
normal de algumas variáveis relacionadas ao clima, especialmente a temperatura.
Adicionalmente, projeções dessas mudanças têm sido geradas e os cenários futuros indicam
que muitos sistemas naturais serão afetados (MAGRIN et al., 2007).
Diante dessa preocupação, em 1988 foi criado pelo Programa Ambiental da
Organização das Nações Unidas (UNEP) e pela WMO, o Painel Intergovernamental de
Mudanças Climáticas (IPCC), que se constitui no principal órgão científico para avaliação
deste tema, e visa fornecer ao mundo uma visão clara sobre o estado da arte das mudanças e
seus potenciais impactos ambientais e socioeconômicos. O IPCC não realiza pesquisa
primária, ele analisa as informações científicas geradas em todo o mundo. Desta forma,
milhares de cientistas contribuem para o trabalho, sendo as revisões científicas, apresentadas
na forma de relatórios, o principal mecanismo de divulgação das revisões e interpretações. O
IPCC é intergovernamental por ser aberto a todos os países membros das Organizações das
Nações Unidas (ONU) e da WMO (IPCC, 2013).
O IPCC tem publicado regularmente vários documentos. Os relatórios de avaliação
(Assessment Reports) são os documentos mais completos, outros documentos incluem
relatórios especiais, documentos técnicos e relatórios de metodologia. Até 2012, 5 séries de
relatórios de avaliação foram emitidas, sendo o 1° em 1990, uma edição suplementar em 1992
Ciência Física – Grupo de trabalho 1) do 5° relatório foi concluída em 2013 e a programação
é que o restante seja concluída em 2014 (IPCC, 2013).
As avaliações, em geral, indicam que muitos sistemas naturais estão sendo afetados
pelas mudanças climáticas. As principais ocorrências são: alterações nas geleiras por efeito de
aquecimento (aumento no número de lagos, derretimento, etc.), aquecimento de lagos e rios
em muitas regiões, adiantamento da primavera, alterando habitats e ciclos biológicos,
aumento de algas, plâncton e peixes em oceanos situados em regiões de altas latitudes.
Distúrbios na agricultura e nas florestas também têm sido verificados, como a antecipação da
primavera no hemisfério norte, secas e aquecimento em áreas agrícolas da África e frequente
ocorrência de graves incêndios (BERNSTEIN et al., 2007).
Na América Latina, as principais ocorrências registradas são: variabilidade do clima e
ocorrência de eventos extremos, aumento médio da temperatura e elevação da taxa de
elevação do nível do mar de um para 2 a 3 mm/ano. Efeitos futuros esperados incluem:
desaparecimento de geleiras nos Andes, áreas semi-áridas sendo moderadamente a muito
afetadas por processos de degradação, anomalias cada vez maiores das precipitações na
porção tropical do continente, substituição das florestas tropicais pelo cerrado na Amazônia
oriental e substituição da vegetação semi-árida por árida no nordeste do Brasil. Naturalmente,
eventos predominantemente físicos (elevação do nível do mar, derretimento de geleiras, etc.)
têm sido apresentados com maior confiança do que eventos predominantemente biológicos
(efeitos em espécies, produção agropecuária, etc.) (MAGRIN et al., 2007).
Na média de vários modelos do IPCC para o Brasil, no cenário pessimista (A2) de
emissões de gases de efeito estufa para o período de 2071 a 2100, é esperado aumento de 3,3
a 4,1°C para os meses de janeiro/fevereiro e outubro, respectivamente. A maior anomalia
esperada na temperatura é na primavera e a menor no verão (HAMADA et al., 2011). Para a
agropecuária brasileira, as principais mudanças esperadas são o aumento de temperatura e a
redução da disponibilidade de água no solo.
Embora sejam fundamentais para fornecer informações básicas e uma tendência geral
das mudanças climáticas para os diversos estudos da área, os modelos do IPCC são modelos
globais e geralmente possuem resolução (centenas de quilômetros) que podem ser limitantes
para estudos de impacto na agropecuária, que tem particularidades regionais que carecem de
maior resolução. Assim, o uso de modelos regionais tem sido priorizado, recentemente, nesses
2.1.2 Clima no sudeste do Brasil: mudanças observadas e projeções
No estado de São Paulo, Blain (2010) avaliou séries anuais de temperatura máxima do
ar e verificou que, nas localidades de Pindorama e Ubatuba, observa-se considerável elevação
dos valores nos últimos anos. Por outro lado, em Cordeirópolis, Mococa, Monte Alegre do
Sul e Ribeirão Preto, verificou-se estabilidade ou até mesmo queda nos períodos mais
recentes. Nas localidades de Campinas e Piracicaba, nota-se marcante elevação das funções
densidade de probabilidade associadas aos valores de temperatura máxima. Em Campinas,
essa alteração ocorreu de forma mais intensa e temporalmente anterior à de Piracicaba. Os
autores concluíram que apesar da maioria das séries apresentarem importantes variações em
seus parâmetros estatísticos (variações climáticas), não foi possível estabelecer uma
significância na variabilidade temporal (elevação ou queda) nas oito séries avaliadas.
Horikoshi e Fisch (2007) estudaram cenários futuros para o clima no município de
Taubaté-SP e verificaram tendência, para o período de 2010 a 2099, de aumento da
temperatura média do ar de 0,5 a 2,7° C, de aumento de 80 a 150 mm na precipitação média
anual e de aumento do déficit de água no solo de 50 a 80 mm, devido ao aumento da
evapotranspiração em maior magnitude do que o aumento na precipitação.
Em estudo com dados da região sul de Minas Gerais (Lavras-MG), foi comparada a
série de dados de 1961 a 1990 com a série de 1991 a 2004, verificando aumento de 1° C na
temperatura média anual (de 19,4 para 20,4° C), redução de 70 mm na precipitação (de 1530
para 1460 mm) e aumento de 57 mm na estimativa de evapotranspiração de referência (de 899
para 956 mm). Esses resultados indicam menor disponibilidade de água no solo para as
plantas (DANTAS; CARVALHO; FERREIRA, 2007).
Projeções futuras são realizadas por modelos matemáticos que tentam descrever os
processos determinantes do clima. Obviamente, projeções possuem incertezas, principalmente
aquelas relacionadas à representação imperfeita do clima pelos modelos, da trajetória futura
das emissões de gases de efeito estufa, e dos reais efeitos do aumento de CO2 nas plantas e as
interações com a atmosfera (MARENGO, 2006; NOBRE; SAMPAIO; SALAZAR, 2008).
Essas incertezas fazem com que as projeções de algumas variáveis (p.ex. temperatura), sejam
mais confiáveis do que outras (p. ex. precipitação pluviométrica) (HAMADA et al., 2011).
Apesar das mudanças climáticas poderem ter origem natural, antropogênica ou a soma das
duas, é muito provável (acima de 90%) que a causa predominante seja a emissão
antropogênica de gases de efeito estufa (BERNSTEIN et al., 2007).
No 4° relatório de avaliação do IPCC vários modelos climáticos globais são
aplicados em pesquisas agropecuárias no Brasil são o BCCR-BCM2.0, CGCM3.1.T47,
CNRM-CM3, CSIRO-Mk3.0, ECHO-G, GFDL-CM2.0, GISS-ER, UKMO-HadCM3,
UKMO-HadGEM1, INM-CM3.0, MIROC3.2.medres, ECHAM5, MRI-CGCM2.3.2, CCSM3
e PCM. Na média dos resultados desses modelos, em um cenário pessimista, há aumento de
3,2 a 4,0°C na temperatura média e variação na precipitação de -0,16 a +0,47 mm/dia entre os
meses do ano na região Sudeste do Brasil até o final do século XXI (Tabela 1) (HAMADA et
al., 2011).
Tabela 1 – Anomalia esperada nas médias de diferentes modelos do IPCC para a temperatura e precipitação média no cenário A2 de emissões de gases de efeito estufa na região sudeste do Brasil nos anos de 2071 a 2100
Variável Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Temperatura (°C) Precip. (mm/dia) +3,2 +0,33 +3,2 +0,47 +3,3 +0,04 +3,5 -0,12 +3,6 -0,09 +3,6 -0,10 +3,6 -0,08 +3,8 -0,07 +3,9 -0,16 +4,0 -0,14 +3,8 +0,07 +3,4 +0,29
Fonte: Centro de distribuição de dados IPCC (http://www.ipcc-data.org/), processados por Hamada et al. (2011). Nota: Precip.=Precipitação.
Em geral, há variação nas projeções entre modelos, regiões e período do ano
(HAMADA et al., 2008). Maiores diferenças têm sido observadas entre modelos do que entre
cenários dentro de um mesmo modelo, sendo as maiores fontes de incerteza devido às
diferenças de abordagem dos processos em cada modelo (NOBRE; SAMPAIO; SALAZAR,
2008). Assim, estudos relacionados à produção agropecuária com mudanças climáticas devem
ser baseados em análises dos potenciais efeitos na produção vegetal, realizadas
considerando-se mais de um modelo e mais de um cenário, visando estimar o viés existente e possibilitando
o devido tratamento de incertezas.
2.2 Modelos climáticos regionais PRECIS e ETA-CPTEC
Em nível mundial, a avaliação das possíveis mudanças climáticas futuras tem sido
realizada com uso de modelos climáticos globais, que são elaborados, testados e aplicados em
diferentes projetos científicos. Esses modelos descrevem importantes elementos físicos e
processos na atmosfera, oceano e superfície da terra que compõem o sistema climático
(JONES et al., 2004).
Apesar do aumento do poder computacional, que tem permitido simulações em maior
resolução espacial, os modelos globais de Circulação Geral Oceano-Atmosfera ainda rodam
em grade de 100 a 300 km. Assim, a geração de cenários regionais em menor escala não é
solo e distribuição de terra e mar. Desta forma, modelos climáticos regionais são ferramentas
promissoras para representar os processos em maior detalhe e, portanto, fundamentais em
estudos de impacto-vulnerabilidade-adaptação. Assim, esforços têm sido feitos para a geração
e aplicação desses modelos (MARENGO et al., 2010), que é uma das principais técnicas de
regionalização (“downscaling”) (AMBRIZZI et al., 2007).
Modelos climáticos regionais cobrem uma limitada área do globo, tipicamente 5000 x
5000 km com resolução de 50 x 50 km. São baseados em processos físicos representados por
equações matemáticas que são resolvidas utilizando um grid tridimensional. Uma vez que
possuem área limitada, os modelos regionais precisam ser “aninhados” em condições de
contorno que são dependentes do tempo (por exemplo, vento, temperatura, pressão de
superfície). Estas condições geralmente são fornecidas por integrações de modelos globais
(JONES et al. 2004). Assim, é importante ressaltar que a técnica de regionalização
(“downscaling”) contém erros derivados do modelo global utilizado, e ainda que isto não seja
um erro na regionalização, precisa ser levado em conta. Técnicas diferentes de regionalização
podem produzir diferentes previsões locais ainda que todas fossem forçadas pelo mesmo
modelo global, e diferentes modelos regionais podem fornecer diferentes projeções climáticas
(AMBRIZZI et al., 2007). Dentre os vários modelos regionais desenvolvidos, o PRECIS e
ETA têm sido utilizados com frequência em trabalhos recentes na América do Sul
(AMBRIZZI et al., 2007; ALVES; MARENGO, 2010; CARVALHO; ASSAD; PINTO,
2011; CANZIANI; BENITEZ, 2012; CHOU et al., 2012; MARENGO et al., 2009, 2010,
2012).
O PRECIS (Providing Regional Climate for Impacts Studies) é um sistema de
modelagem climática regional portátil, que pode ser executado em um computador pessoal e
aplicado em qualquer área do globo para gerar cenários de mudanças climáticas detalhadas.
Este sistema foi desenvolvido pelo Centro britânico Hadley (Met Office Hadley Centre), um
dos mais importantes centros de pesquisas de mudanças climáticas do mundo. O modelo
regional que faz parte do PRECIS é o HadRM3P, que é baseado no modelo global HadAM3P,
com resolução de 50 ou 25 km com 19 níveis na atmosfera (partindo da superfície até 30 km
na estratosfera) e 4 níveis no solo (JONES et al., 2004). As principais variáveis das condições
de contorno para executar o HadRM3P são campos de pressão na superfície e as componentes
horizontais de temperatura, vento e umidade em toda a estrutura vertical da atmosfera. Para
fins de mudança climática, o modelo usa também uma representação do ciclo de sulfato e de
Embora flexível e relativamente fácil de usar, alguns fatores devem ser considerados na
aplicação do PRECIS: i) a nível local é importante verificar com dados observados se as
projeções do modelo são realistas; ii) além do sistema computacional básico, deve-se ter fonte
de energia segura e capacidade de manutenção do sistema em funcionamento e; iii) a
execução do modelo e interpretação e divulgação dos resultados exigem tempo de pessoas
com experiência relevante, embora atividades e materiais de treinamento do Centro Hadley
sejam disponíveis e úteis (JONES et al., 2004).
O modelo ETA é um modelo atmosférico utilizado para fins operacionais e de pesquisa.
O nome é derivado da letra grega “η (eta)” que representa a coordenada vertical, calculada
com base na pressão atmosférica (ETA MODEL, 2013), uma das características do modelo
que é particularmente adequada para regiões de montanha, como a cordilheira dos Andes
(CHOU et al., 2012). O modelo original foi desenvolvido pelo NCEP (Nacional Centers for
Environmental Prediction) para estudos e previsão do tempo de curto prazo. Uma descrição
completa do mesmo é apresentada por Black (1994); Janjic (1994) e Mesinger et al. (1988).
A versão climática do modelo ETA, que permite integrações para períodos de qualquer
duração, têm sido desenvolvidos no Instituto Nacional de Pesquisas Espaciais/ Centro de
Previsão do Tempo e Estudos Climáticos (INPE/CPTEC) (PISNICHENKO et al. 2006). O
modelo denominado INPE ETA CCS (ETA for Climate Change Simulations) é uma versão
do modelo ETA preparada por Pisnichenko e Tarasova (2010) para simulação de mudanças
climáticas de longo prazo. Neste modelo, múltiplas modificações no modelo ETA original
foram feitas, tais como novos programas para converter os dados de saída do modelo global
HadAM3P para o formato do modelo ETA, novos programas de reinicialização, de
atualização da temperatura na superfície do mar, ângulo de elevação do sol, etc. (MARENGO
et al., 2010; PISNICHENKO; TARASOVA, 2010).
No trabalho de Pisnichenko e Tarasova (2010), assim como no modelo PRECIS, o
INPE ETA CCS foi “aninhado” nas condições de contorno do modelo global HadAM3P.
Dados como concentração de gases de efeito estufa e aerossóis foram obtidos para cada 6
horas e temperatura na superfície e gelo do mar para cada 15 dias. Interpolação linear foi
realizada para os dados intermediários a esse período. As simulações foram realizadas para a
América do Sul e oceano adjacente (latitude de 55° S a 16° N e longitude de 89° W a 29° W),
com um grid de 37 km e 38 níveis verticais. Os autores demonstram que não houve desvios
significativos entre o modelo regional INPE ETA CCS desenvolvido e o modelo global
HadAM3P, indicando que o modelo regional pode ser utilizado para aumentar a resolução do
Avançando na melhoria do então chamado INPE ETA CCS, que era executado com
apenas uma condição de contorno, Chou et al. (2012) executou o modelo com 4 projeções do
modelo HadCM3 para as condições de contorno, a fim de adicionar algum grau de incerteza
nas simulações, obtendo uma resposta combinada destas projeções e passando então a chamar
o modelo, nesta nova configuração, de ETA-CPTEC (como chamado neste trabalho).
O projeto brasileiro CREAS (Cenários Regionalizados de Clima Futuro da América do
Sul) teve como objetivo melhorar a resolução dos cenários de mudanças climáticas na
América do Sul. Ele seguiu a estratégia do projeto europeu PRUDENCE (Prediction of
Regional Scenarios and Uncertainties for Defining European Climate change: risks and
Effects) e comparou três modelos regionais aninhados na versão pública do modelo global
HadAM3P do Centro Hadley: INPE ETA CCS, RegCM3 e o HadRM3P nos cenários de baixa
(B2) e alta emissão (A2) do IPCC para o período de 2071 a 2100. Foi verificado no CREAS
um consistente padrão entre mudanças futuras na temperatura e precipitação pluviométrica,
que são mais acentuadas no cenário A2. Uma integrada imagem dos modelos apresenta:
aumento geral de temperatura, especialmente na região tropical (5°N a 15°S) e no inverno;
anomalia de 2 a 4°C no verão e de 3 a 5° no inverno no sudeste da América do Sul; redução
de chuva no Nordeste e na parte mais ao leste da Amazônia no Brasil e aumento no Noroeste
do Peru, Equador e Nordeste da Argentina. Os resultados são menos robustos para o
centro-oeste e sudeste do Brasil do que para o leste da Amazônia e nordeste do Brasil e da Argentina
(MARENGO et al., 2010).
2.3 Aptidão de Brachiaria brizantha cv. Marandu
A espécie Brachiaria brizantha inclui cultivares de ampla distribuição nas regiões
tropicais e subtropicais úmidas e sub-úmidas, presentes em regiões de latitudes de 12 a 25°,
altitudes de 80 a 2000 m, sob precipitação anual de 590 a 3500 mm e de 0 a 7 meses sem
chuva por ano (KELLER-GREIN; MAASS; HANSON, 1996; VALLE et al., 2010). A
Brachiaria brizantha cv. Marandu foi lançada em 1984 pela Embrapa (unidades Gado de
Corte e Cerrados). A introdução foi realizada inicialmente na região de Ibirarema-SP, sendo a
origem genética o germoplasma proveniente da Estação de Investigação em Pastagens do
Zimbábue, em Marandella (atualmente Marondera) (DETOMINI, 2008), região da África na
faixa do paralelo 18° e altitudes superiores a 1000 m.
Essa gramínea é recomendada para a maioria das condições de pastagens brasileiras.
Seu nível de precipitação ótimo é de 1500 a 3500 mm/ano (COOK et al., 2005), no entanto,
encontrada em muitas regiões brasileiras com precipitação da ordem de 700 mm/ano com 3 a
6 meses de estiagem (SANTOS et al., 2011). A temperatura ótima para o seu
desenvolvimento está entre 30 e 35° C, tendo temperatura-base inferior, de acordo com
estudos de campo realizados no estado de São Paulo, de 15 a 18,6°C (CRUZ et al., 2011;
LARA, 2007; MENDONÇA; RACINI, 2006; RODRIGUES, 2004).
Por ser tipicamente uma gramínea tropical (metabolismo C4), essa espécie apresenta
maior tolerância a altas e menor tolerância a baixas temperaturas do que gramíneas
temperadas (metabolismo C3). Em geral, a faixa ótima para a fotossíntese é ligeiramente
superior à faixa ótima para o crescimento (LUDLOW, 1980). Ludlow e Wilson (1971) em
trabalho com seis gramíneas tropicais registraram temperatura ótima média para o processo
fotossintético de 38°C. Outros autores também tem citado que a atividade fotossintética
máxima de plantas C4 está por volta de maiores temperaturas, de 35 a 40° C (MACADAM;
NELSON, 2003).
A real temperatura máxima suportada por espécies tropicais não é bem conhecida, pois
poucos estudos foram conduzidos sob temperaturas muito altas (MOORE; BOOTE;
SANDERSON, 2004). Alguns autores, no entanto, citam que as temperaturas máximas
toleradas pelas gramíneas tropicais estão em torno de 55-60°C para o processo fotossintético e
40-50°C para o crescimento (LUDLOW, 1980). Outros autores, no entanto, citam que
temperaturas superiores a 50°C já são prejudiciais a vários processos ou mesmo capazes de
matar as plantas (CARROLL, 1941; DETOMINI, 2008; EDWARDS; KU; MONSON, 1985).
Apesar das variações, observa-se com segurança que o valor máximo tolerado por
gramíneas tropicais é bastante elevado, sendo possível inferir que a elevação da temperatura
pelas mudanças climáticas provavelmente não trará efeito negativo na produção no estado de
São Paulo, uma vez que a maior temperatura média projetada para a região sudeste será de
27,7°C em fevereiro; e as temperaturas máximas, mesmo nos períodos mais quentes, serão
inferiores a 38°C (HAMADA et al., 2011). Obviamente outros fatores, principalmente os
relacionados à demanda hídrica, tem grande potencial de afetar a produção. Em relação à
temperatura mínima, espera-se efeito positivo na produção.
2.4 Modelagem do crescimento de plantas forrageiras
Modelos agrícolas integram conhecimentos multidisciplinares, como física e química do
solo, fisiologia e melhoramento vegetal, agrometeorologia e manejo, dentro de equações
matemáticas utilizadas para predizer crescimento, desenvolvimento e produção
conhecimento científico atual, sugerindo prioridades na pesquisa pela identificação de lacunas
no conhecimento e estímulo de novas ideias.
A modelagem tem sido uma ferramenta eficaz na simulação do crescimento de plantas
com significativos avanços nos últimos anos, principalmente devido ao aumento da demanda
por previsões de safras, estudos sobre mudanças climáticas e avanços da informática
(DOURADO-NETO et al., 1998a). Os usuários de modelos acompanharam essa evolução e
estão crescendo em número e grau de sofisticação (GRABLE, 1987). No entanto, cuidados
devem ser tomados, principalmente em relação às limitações intrínsecas de cada modelo,
como validação para cada cultura e região, confiabilidade dos resultados e qualidade dos
dados. Em geral, a maior limitação na geração e uso dos modelos é o histórico disponível do
sistema a ser simulado e a disponibilidade de dados de entrada (HOOGENBOOM, 2000).
Modelos variam de muito simples, com apenas uma equação linear, à extremamente
complexos, com milhares de equações (HOOGENBOOM, 2000). Podem ter várias
classificações: estáticos ou dinâmicos, discretos ou contínuos, determinísticos ou estocásticos
e mecanísticos ou empíricos. Modelos dinâmicos tem o tempo como variável, enquanto que
os estáticos não. Tanto os discretos quanto os contínuos são dinâmicos, no contínuo, porém, o
tempo é um valor real (exemplo 2,24 h), enquanto que no discreto o tempo é identificado por
valores inteiros (exemplo 2 h). Estocásticos contêm algum elemento de aleatoriedade ou
distribuição de probabilidade dentro do modelo, enquanto que determinísticos não (TEH,
2006). Modelos de interesse para predição da produção de MS de plantas geralmente são
determinísticos dinâmicos: buscam representar como um sistema responde ao longo do
tempo, sem nenhuma distribuição de probabilidade associada (THORNLEY; JOHNSON,
1990), podendo ser mecanicistas ou empíricos e serão os modelos alvos desta revisão.
Os modelos mecanicistas consideram os conhecimentos dos processos físicos, químicos
e biológicos que governam os fenômenos em estudo (TEH, 2006), permitindo entendimento e
provável extrapolação das condições em que foram gerados. No entanto, são necessárias mais
informações para a sua geração e utilização, por isso, são mais utilizados na pesquisa. Por
outro lado, os modelos empíricos são também chamados de correlativos ou estatísticos, são
simples de serem gerados e de fácil aplicação, no entanto, estão sujeitos a maiores erros e são
limitados à faixa de condições em que foram gerados (DOURADO-NETO et al., 1998b). São
elaborados buscando a correlação entre produção ou crescimento de plantas com uma ou mais
variáveis; como temperatura, radiação, disponibilidade hídrica e de nutrientes, especialmente
TONATO et al., 2010) .Obviamente, a escolha do tipo de modelo a ser utilizado dependerá
dos objetivos da previsão e disponibilidade de informações.
2.4.1 Modelos empíricos
A análise de regressão é a técnica mais comum de gerar modelos matemáticos
empíricos. Regressão visando gerar equações capazes de estimar a produção de plantas
(variável dependente) em função de fatores relacionados (variáveis independentes),
principalmente variáveis meteorológicas (HOOGENBOOM, 2000) são as mais comuns. As
principais variáveis utilizadas na geração de modelos para forrageiras são as temperaturas do
ar (máxima – Tmáx, média – Tméd e mínima – Tmín), radiação solar global (Rg), fotoperíodo
(N) e disponibilidade de água no solo. Frequentemente outras variáveis são calculadas
visando melhorar a capacidade preditiva, principalmente os (i) Graus-Dia (GD) (OMETTO,
1981), que relaciona a temperatura ocorrida a uma temperatura-base (inferior ou superior)
para crescimento de plantas; (ii) Unidades Fototérmicas (UF) (VILLA NOVA;
CARRETERO; SCADUA, 1983), que considera os GD e fotoperíodo; e (iii) o Índice
Climático de Crescimento (ICC) (FITZPATRICK; NIX, 1973), que leva em consideração a
Rg, um índice térmico de crescimento da planta e um fator de penalização hídrico, geralmente
a relação da evapotranspiração real (ETR) e a potencial (ETP).
A regressão linear da produção em função da temperatura do ar tem sido muito
utilizada, pela facilidade de aplicação e relação da temperatura com a radiação
fotossinteticamente ativa (ASSIS et al., 2006). Em trabalhos com plantas do gênero
Brachiaria (Syn. Urochloa), Panicum e Cynodon, bons resultados têm sido obtidos,
especialmente com a temperatura mínima (CRUZ et al., 2011; TONATO et al., 2010).
É possível determinar a temperatura-base inferior com rigor em câmaras de
crescimento, isolado de outros fatores. Porém, trabalhos recentes tem estimado a temperatura
base em campo, através da regressão entre o acúmulo de forragem e a temperatura média do
ar, considerando como temperatura base inferior aquela em que o acúmulo é nulo como (y = + x, em que y = 0) (ARAUJO, 2011; CRUZ et al., 2011; LARA, 2007; RODRIGUES,
2004). Apesar de haver controvérsias quanto à interpretação desse resultado, devido à
extrapolação do conjunto de dados, os valores estimados têm apresentado consistentes
resultados quando aplicados em campo. Além disso, essa é uma alternativa para estas
condições, e já representa um avanço quando comparado ao uso de um valor generalizado
(15°C) e frequentemente citado como Tbi para plantas forrageiras tropicais (COOPER;
O fato é que o valor exato não é conhecido, e o uso de valores com pequenos desvios na
modelagem do crescimento pode proporcionar grandes erros nas estimativas de produção.
Assim, é importante que na aplicação dos modelos sempre se considere a temperatura base
utilizada ou estimada pelo autor do modelo, pois apesar de ser considerada fixa para cada
espécie, variações têm sido observadas entre trabalhos (Tabela 2).
Tabela 2 – Temperatura-base inferior para diferentes gramíneas tropicais e subtropicais determinadas em condições de campo no Brasil
Gramínea Tbi (°C) Referência
Brachiaria brizantha cv. Marandu Brachiaria brizantha cv. Marandu Brachiaria brizantha cv. Marandu Brachiaria brizantha cv. Marandu Brachiaria brizantha cv. Arapoty Brachiaria brizantha cv. Capiporã
Brachiaria brizantha cv. Xaraés Brachiaria decumbens cv. Basilisk
Pannisetum purpureum cv. Napier Pannisetum purpureum cv. Napier Panicum maximum cv. Mombaça
Panicum maximum cv. Tanzânia Paspalum atratum cv. Pojuca Cynodon nlemfuensis cv. Florico
17,2 18,6 16,3 15,0 17,8 18,3 19,0 16,7 13,9 15,0 15,6 15,0 15,6 11,5
Cruz et al. (2011) Rodrigues (2004)
Lara (2007)
Mendonça e Racini (2006) Rodrigues (2004) Rodrigues (2004) Rodrigues (2004) Mendonça e Racini (2006) Mendonça e Racini (2006) Villa Nova et al. (2007)
Araujo et al. (2013) Mendonça e Racini (2006) Mendonça e Racini (2006) Villa Nova et al. (2007)
O desenvolvimento de modelos empíricos para forrageiras tropicais tem sido realizado
com frequência na comunidade científica e muitas equações com boa capacidade preditiva
estão disponíveis. No entanto, uma vez que a aplicação destes modelos se limita as condições
em que foram gerados, a modelagem para a diversidade de condições ainda é limitada, pois a
maioria foi desenvolvida a partir de experimentos pontuais e concentrados em poucos locais,
principalmente no sudeste dos Estados Unidos e do Brasil. Além disso, interações entre
fatores (temperatura, luz, água, nitrogênio, etc.) utilizados como preditores do acúmulo de
forragem podem limitar ainda mais, visto que a condição de simulação (adubação, clima, etc.)
deve ser semelhante àquela que o modelo foi obtido.
Um dos trabalhos pioneiros foi o de Fitzpatrick e Nix (1973), que desenvolveram na
Austrália, há quatro décadas, o ICC. Posteriormente esse índice foi utilizado no Sul do Brasil
(MOTA; BERNY; MOTA, 1981) e, mais adiante, Pedro Jr. (1995) estimou o ICC para 47
localidades do estado de São Paulo e regiões limítrofes. O autor comparou o ICC com dados
de taxa de acúmulo de forragem coletados em Nova Odessa para os capins colonião (P.
pentzii). As curvas que melhor se ajustaram aos dados foram exponenciais e os coeficientes de
determinação variaram de 0,58 a 0,81 para os capins gordura e colonião, respectivamente.
Em 1984, um modelo de simulação do crescimento de forrageiras em função da
umidade no solo, radiação, temperatura, fertilização com fósforo e biomassa aérea
fotossintetizante, foi desenvolvido em Campo Grande/MS, na Embrapa Gado de Corte
(GENEVILLE, 1984). Os autores verificaram que a disponibilidade de água e biomassa
residual apresentou o maior efeito. Em trabalho recente, semelhantemente, a biomassa
residual verde também apresentou efeito significativo no acúmulo de forragem, especialmente
no início da rebrotação, quando a correlação com o acúmulo de forragem foi superior ao
efeito da temperatura média do ar acumulada (ARAUJO, 2011).
Overman; Angley e Wilkinson (1988) e Overman et al. (1990) sugeriram e avaliaram
modelos considerando o componente disponibilidade de nitrogênio para o capim-bermuda
Cynodon dactylon a partir de dados obtidos no sudeste dos EUA. Overman et al. (1990)
ajustaram a equação: y = A / (1 + e b-cN), em que y é o rendimento anual de matéria seca
estimada (Mg ha-1); N é o nitrogênio aplicado (Mg ha-1); A é rendimento anual máximo (Mg
ha-1); b é o intercepto com o eixo y e c é o coeficiente de resposta (ha kg-1). Os parâmetros A,
b e c são estimados por experimentação.
A produção de forragem ao longo da rebrota do capim-elefante em função das UF foi
estimada pela equação: P = 1,261/(1+e 2,85 – 0,008133 x UF) por Villa Nova et al. (1999) em
Piracicaba/SP, em que P é a quantidade de massa seca produzida e UF são as unidade
fototérmicas acumuladas no período considerado.
Em outro estudo, modelos lineares foram gerados para simular a produção das
forrageiras Brachiaria brizantha cv. Marandu, Cynodon sp. cv. Tifton 85 e Panicum
maximum cv. Tanzânia em função do ICC em Itapetinga/BA (SANTOS et al., 2008). Os
autores concluíram que o ICC foi uma boa variável para ser usada em simulações de produção
de matéria seca de forrageiras.
Em Uberaba/MG a produção de matéria seca anual das forrageiras B. decumbens cv.
Basilisk, B. brizantha cv. Marandu, B. brizantha cv. Xaraés, P. maximum cv. Mombaça, P.
maximum cv. Tanzânia e Cynodon sp. Tifton-85 foi correlacionada com a radiação
fotossinteticamente ativa interceptada pelo dossel. As equações geradas para todas as
forrageiras apresentaram coeficiente de determinação (R2) acima de 0,97 (SILVA JR. et al.,
2010). Apesar dos altos coeficientes, a aplicação dos modelos tem como limitação a obtenção
variável que requer equipamentos específicos e, geralmente, é quantificada apenas em áreas
experimentais.
Abordagem interessante foi realizada por Tonato et al. (2010) para a geração de
modelos empíricos utilizando variáveis meteorológicas. Os autores compilaram dados de
cinco experimentos independentes, sendo quatro realizados em Piracicaba/SP e um em
Planaltina/DF e avaliaram a capacidade das variáveis Tmín, Tmáx, Tméd e Rg em prever a
taxa de acúmulo de forragem (kg ha-1 dia-1) de diferentes forrageiras dos gêneros Brachiaria,
Panicum e Cynodon. Os autores constataram que a Tmín foi a variável que apresentou a
melhor capacidade preditiva.
Mais recentemente, Almeida et al. (2011) associou as UF a adubação nitrogenada e
disponibilidade hídrica para simular o crescimento do capim-tanzânia (P. maximum). Esse
tipo de abordagem proporciona resultados sensíveis as condições, com diferentes níveis de
adubação e presença ou ausência de irrigação para cada região, ampliando assim, a
aplicabilidade desse tipo de modelo nos sistemas produtivos. A grande limitação desse
trabalho foi a utilização apenas de dados coletados em casa de vegetação em Piracicaba/SP.
Assim, é necessária a calibração com experimentos de campo nos locais em que o modelo
venha a ser utilizado.
Cruz et al. (2011) avaliaram diversas variáveis meteorológicas (Tmín, Tmáx, Tméd, Rg,
GD, ICC, UF e ETR) corrigidas ou não a um fator de penalização hídrico (ETR/ETP) na
predição de produção de massa seca de B. brizantha cv. Marandu com dados obtidos em São
Carlos/SP. Os autores verificaram que os melhores resultados foram observados com a
regressão linear multivariada (com Tmín, Rg e ETR) e com a regressão univariada com GD
corrigido, Tmín corrigida ou ICC. A inclusão do fator hídrico no modelo melhorou a
capacidade preditiva da variável. Esta abordagem é particularmente interessante na aplicação
dos modelos em condições não irrigadas.
Em condições experimentais semelhantes às de Cruz et al. (2011), Pezzopane et al.
(2012b) avaliaram as variáveis Tmín, Tméd, ETP, ETR, ICC e GD, esta última corrigida ou
não por dois fatores de penalização hídrico, para a estimativa da produção do capim Tanzânia.
Os fatores foram dados pela relação ETR/ETP ou relação armazenamento atual/máximo do
solo, considerando o balanço hídrico sequencial (escala de cinco dias) e capacidade de
armazenamento de 100 mm. As variáveis com melhores ajustes foram as que associaram
temperatura e disponibilidade hídrica simultaneamente, como a ETR, GD corrigido pelos dois
Modelos recentes com boa capacidade preditiva da produção de forrageiras geradas por
Araujo et al. (2013); Cruz et al. (2011); Pezzopane et al. (2012b); Rodrigues (2004) e Tonato
et al. (2010) estão sumarizados na Tabela 3. A temperatura média dos experimentos que
geraram a base de dados destes modelos situou-se entre 16 e 26°C, aproximadamente. Os
modelos variam entre espécies e cultivares, no entanto, alguns modelos foram agrupados para
forrageiras com respostas semelhantes. Em geral os modelos gerados são lineares univariados,
sendo, portanto, simples e de fácil aplicação. Os ajustes têm variado desde coeficientes de
determinação (R²) inferiores a 0,40 até 0,87, a depender do genótipo e da variável utilizada.
Tabela 3 – Modelos empíricos lineares univariados correlacionando produção de matéria seca com temperatura ou variáveis relacionadas
Gramínea Variável
Coeficien-te angular
Inter-cepto R² Referência
B. brizanta cv. Marandu Tmín 11,93 -134,95 0,73 Cruz et al. (2011)
B. brizanta cv. Marandu Tmíncorr 5,78 -17,24 0,75 Cruz et al. (2011)
B. brizanta cv. Marandu GDcorr* 12,9 6,52 0,75 Cruz et al. (2011)
Brachiaria Grupo 1§ Tmín 8,19 -94,92 0,55 a 0,5 Tonato et al. (2010)
Brachiaria Grupo 2¶ Tmín 10,66 -128,07 0,55 a 0,6 Tonato et al. (2010)
Cynodon Grupo 1† Tmín 9,06 -84,69 0,6 a 0,7 Tonato et al. (2010)
Cynodon Grupo 2§§ Tmín 7,97 -67,01 0,6 a 0,7 Tonato et al. (2010)
Panicum Grupo 1¶¶ Tmín 6,36 -55,22 <0,4 Tonato et al. (2010)
Panicum Grupo 2†† Tmín 5,93 -29,15 <0,4 Tonato et al. (2010)
B. brizanta cv. Marandu Tmín 0,98 -11,92 0,59 Rodrigues (2004)
B. brizanta cv. Arapoty Tmín 0,95 -10,30 0,64 Rodrigues (2004)
B. brizanta cv. Capiporã Tmín 1,10 -13,23 0,83 Rodrigues (2004)
B. brizanta cv. Xaraés Tmín 1,09 -13,55 0,74 Rodrigues (2004)
P. maximum cv. Mombaça ƩUF 0,226 600,01 0,86 Araujo et al. (2013)
P. maximum cv. Mombaça ƩICC 368,14 -311,94 0,83 Araujo et al. (2013)
P. maximum cv. Mombaça ƩGD 11,52 -304,8 0,78 Araujo et al. (2013)
P. maximum cv. Tanzânia ETR 34,73 -21,58 0,87 Pezzopane et al. (2012b)
P. maximum cv. Tanzânia GDcorr* 18,80 -17,02 0,84 Pezzopane et al. (2012b)
P. maximum cv. Tanzânia GDcorr** 18,90 -6,38 0,87 Pezzopane et al. (2012b)
P. maximum cv. Tanzânia ICC 330,09 -12,88 0,84 Pezzopane et al. (2012b)
§
Marandu, Basilisk e Arapoty; ¶Capiporã e Xaraés; †Tifton 85 e Estrela; §§Coastcross, Florico e Florona; ¶¶Atlas e Mombaça;††Tanzânia e Tobiatã; Tmincorr=Temperatura mínima corrigida por um fator de penalização hídrica; GDcorr=Graus-dia (calculado com base na Tbi) corrigido por um fator de penalização hídrico: *pela relação ETR/ETP e **pela relação Armazenamento atual/máxima do solo; ICC=índice climático de crescimento diário;
ƩUF=soma de unidades fototérmicas diária; ƩICC=soma do ICC; ƩGD=soma dos graus-dia. Obs.: i) A variável resposta (y) é a taxa de acúmulo de forragem (kg MS/ha/dia), exceto para os modelos de Araujo (2011), que foram gerados com as somas diárias de todo o ciclo, assim a variável resposta (y) é a massa de forragem total em cada ciclo. ii) Os valores de temperatura são dados em graus célsius (°C). iii) Os dados de Rodrigues (2004) estão transformados pela raiz quadrada.
Observa-se que alguns modelos gerados apresentam boa capacidade preditiva (altos
coeficientes de determinação) e são de fácil aplicação, pois as variáveis de entrada,
especialmente temperatura, em geral são obtidas em quase todas as regiões tropicais. A maior
e dos Estados Unidos. A restrição geográfica limita a faixa de condições climáticas e o uso
desses modelos em outras regiões, que tem características que extrapolam a amplitude dos
dados utilizados na geração dos modelos.
2.4.2 Modelos mecanicistas
Vários modelos mecanicistas já foram desenvolvidos ou adaptados para forrageiras em
diversas regiões do mundo. Porém, a maioria possui base do conhecimento oriunda de
culturas agrícolas e foram avaliados e, ou, estão disponíveis apenas para forrageiras
temperadas. Por simularem o crescimento com base nos processos que ocorrem nas plantas,
no entanto, modelos mecanicistas permitem extrapolação do uso, com as devidas adaptações,
a condições diferentes daquelas em que foram gerados. Isso justifica as adaptações recentes
de modelos originalmente desenvolvidos para culturas agrícolas ou forrageiras temperadas
nos EUA e Austrália, por exemplo, estarem sendo parametrizados para forrageiras tropicais
no Brasil (ARAUJO et al., 2013; LARA et al., 2012; PEDREIRA et al., 2011).
Geralmente, esses modelos agrupam centenas de equações, assim, são manipulados em
softwares específicos. A geração de um modelo mecanicista envolve a aquisição de
conhecimento acerca do sistema a ser simulado, a organização e interpretação do
conhecimento, e a validação do modelo com dados experimentais. Um modelo será tão bom
quanto o conhecimento disponível do sistema (DOURADO-NETO et al., 1998b).
Uma avaliação abrangente dos modelos já disponíveis à quase três décadas para
forrageiras é encontrada no trabalho de Hanson; Parton e Innis (1985), que avaliaram os
modelos AFRICA; BLUE GRAMA; ELM; LINEAR; RANGES; ROOTS; SHEEP; SAGE e
SPUR. Recentemente, Kiniry et al. (2007) desenvolveram parâmetros em campo para
viabilizar o uso do modelo ALMANAC (Agricultural Land Management Alternative with
Numerical Assessment Criteria) em simulações do crescimento e produção das forrageiras
tropicais capim-bermuda (C. dactylon), capim-paspalum (Pensacola bahiagrass) e outras
nativas tropicais de comum ocorrência do estado do Texas (EUA). Os autores ajustaram os
parâmetros Índice de Área Foliar (IAF), Coeficiente de extinção luminosa (Ke) e Eficiência
de Uso da Radiação (EUR). O máximo IAF dos capins-bermuda e paspalum obtido foi
próximo de 2,2; valores médios para Ke variaram de 0,7 a 2,1 e a EUR obtida de quatro das
cinco espécies avaliadas ficaram entre 1 e 2 g MJ-1. Os autores concluíram que o modelo
simulou razoavelmente a biomassa média das forrageiras e é uma ferramenta útil para simular
Os modelos CROPGRO, GRAZPLAN e APSIM foram recentemente adaptados para
simulações do crescimento de forrageiras tropicais no Brasil (ARAUJO et al., 2013; CRUZ,
2010; LARA et al., 2012; PEDREIRA et al., 2011). O CROPGRO prediz a dinâmica de
crescimento e composição de culturas baseado nos dados de entrada dos processos
fisiológicos da planta, características do solo, manejo e clima (BOOTE et al., 1998). Está
presente na ferramenta computacional DSSAT (Decision Support System for Agrotechnology
Transfer), que possui modelos para simulação do crescimento de 28 culturas na versão 4.5.
(DSSAT, 2013).
A partir do modelo geral do CROPGRO, adaptações já foram realizadas para simular o
crescimento de Paspalum notatum dentro de um sistema de rotação com amendoim na
Flórida, USA (KELLY, 1995); para simular o crescimento de Brachiaria decumbens em
regiões de baixa latitude da Colômbia (GIRALDO et al., 1998) e um código para forrageiras
perenes (CROPGRO Perennial Forage model) foi desenvolvido por Rymph et al. (2004) na
Flórida, USA, que representa melhor a partição de carbono e nitrogênio em sistemas de
pastejo rotativo (PEDREIRA et al., 2011).
No Brasil, calibrações do modelo CROPGRO Perennial Forage model para B.
brizantha cv. Xaraés foram realizadas por Pedreira et al. (2011), para B. brizantha cv.
Marandu por Cruz (2010) e para P. maximum cv. Tanzânia por Lara et al. (2012). Lara et al.
(2012) e Pedreira et al. (2011) utilizaram dados coletados em Piracicaba/SP para as
adaptações e constataram que os modelos foram efetivos para integrar o conhecimento sobre
as forrageiras, e podem ser usados para simular o crescimento com acurácia aceitável. Cruz
(2010) utilizou dados coletados em São Carlos/SP e sugeriu novas adaptações no modelo. As
adaptações sugeridas por Cruz (2010) demonstram a dificuldade de utilização do modelo sem
o suporte da equipe de desenvolvedores, diferente do que ocorreu com Lara et al (2012) e
Pedreira et al (2011), os quais realizaram os ajustes nos códigos, pois realizaram o trabalho
com a equipe da Universidade da Flórida.
O GRAZPLAN foi desenvolvido para auxiliar o processo de tomada de decisão em
pastagens temperadas da Austrália. Possui módulos que levam em consideração as interações
dos processos de produção de forragem e produção animal (MOORE; DONNELLY; FREER,
1997) e está inserido na ferramenta computacional AUSFARM. O modelo foi parametrizado
por Cruz (2010) para B. brizantha. Segundo o autor, o modelo apresentou resultados
satisfatórios na previsão do crescimento da gramínea estudada.
O APSIM (Agricultural Production Systems Simulator) é um sistema de modelagem
Austrália visando simular processos biofísicos em sistemas de produção agrícola como um
todo. A estrutura modular permite flexibilidade e atualmente o sistema é capaz de simular o
crescimento de 25 culturas entre lavouras e pastagens (KEATING et al., 2003). O
APSIM-Growth, módulo para simulação de crescimento de plantas, foi parametrizado para P.
maximum cv. Mombaça por Araujo et al. (2013) com dados coletados em São Carlos/SP.
Após a parametrização, o autor verificou que os modelos simularam satisfatoriamente a
produção da gramínea, com erro na média geral de apenas 6 kg MS ha-1 corte-1.
As adaptações recentes dos modelos ALMANAC, CROPGRO, AUSFARM e APSIM
proporcionam possibilidades promissoras de uso nas pastagens tropicais. Os resultados
apontados pelos autores têm sido positivos. Assim como nos modelos empíricos, os dados
utilizados para a parametrização dos modelos mecanicistas se concentram de forma
incipientes em locais pontuais dos EUA, Austrália, Brasil e Colômbia, no entanto, a
concepção desses modelos permite extrapolar, com critério, seu uso para outras regiões.
Obviamente, novas parametrizações para outras espécies e locais e o avanço do conhecimento
sobre os processos, permitirão o contínuo aperfeiçoamento, o que aumentará a capacidade
preditiva e aplicabilidade dos modelos. A principal limitação desses modelos é a
disponibilidade de dados de entrada (parâmetros de solo, clima e planta), pois muitos dados
requeridos são ausentes para a maioria das áreas de pastagens tropicais, como por exemplo,